前言
\qquad
参数估计是统计推断的基本问题之一. 在很多实际问题中,我们知道总体的分布,但不知道分布的参数. 因此需要对未知的参数作出估计,这就是参数估计问题. 这里主要有两类估计: 一类是点估计,另一类是区间估计.
仅供参考
一、8. 1
设总体X的密度函数为
f
(
x
)
=
{
θ
C
θ
x
−
(
θ
+
1
)
,
x > C
0
,
x
⩽
C
f(x) = \begin{cases} θC^θx^{-(θ+1)}, & \text{x > C} \\ 0, & \text x \leqslant C \end{cases}
f(x)={θCθx−(θ+1),0,x > Cx⩽C
C
>
0
C>0
C>0 为已知,
θ
>
1
θ>1
θ>1.
X
1
,
X
2
,
.
.
.
,
X
n
X_1,X_2,...,X_n
X1,X2,...,Xn为简单随机样本.
(1)求θ的矩估计量;
(2)求θ的极大似然估计量.
矩估计:
用样本的矩, 代替总体的矩。
通常考试中只用到一阶和二阶。
一
阶
X
ˉ
=
1
n
∑
X
i
→
一
阶
E
X
一阶 \bar X = \frac 1n \sum X_i \xrightarrow{} 一阶 EX
一阶Xˉ=n1∑Xi一阶EX
二
阶
A
2
=
1
n
∑
X
i
2
→
二
阶
E
X
2
二阶 A_2 = \frac 1n \sum X_i^2 \xrightarrow{} 二阶 EX^2
二阶A2=n1∑Xi2二阶EX2
极大似然估计
完完全全的步骤法:
(1) . 写出总体的概率函数(离散型)或者密度函数(连续性)
(2) . 写出似然函数
L
(
θ
)
L(θ)
L(θ) (
θ
θ
θ为待估计参数)
(3) . 两边同时取对数
ln
\ln
ln
(4) . 对
θ
θ
θ求导,令导数等于
0
0
0,解出
θ
θ
θ,即为
θ
^
\hatθ
θ^.(注:若第(4)步无解,回归原始定义,找到
θ
^
\hatθ
θ^使
L
(
x
,
L(x,
L(x,
θ
^
\hatθ
θ^
)
)
)最大.)
解:(1).
E
X
=
∫
c
∞
x
θ
C
θ
x
−
(
θ
+
1
)
d
x
=
θ
C
θ
∫
c
∞
x
−
θ
d
x
=
θ
C
θ
−
1
=
μ
EX = \int_c^\infty xθC^θx^{-(θ+1)}\, dx = θC^θ\int_c^\infty x^{-θ} dx = \frac {θC}{θ-1} = μ
EX=∫c∞xθCθx−(θ+1)dx=θCθ∫c∞x−θdx=θ−1θC=μ
即
:
μ
=
X
ˉ
=
θ
C
θ
−
1
,
得
:
θ
^
=
X
ˉ
X
ˉ
−
C
即: μ = \bar X = \frac {θC}{θ-1}, 得:\hat θ = \frac {\bar X}{\bar X-C}
即:μ=Xˉ=θ−1θC,得:θ^=Xˉ−CXˉ
(2).
似
然
函
数
:
L
(
θ
)
=
∏
i
=
1
n
θ
C
θ
x
i
−
(
θ
+
1
)
=
θ
n
C
n
θ
∏
i
=
1
n
x
i
−
(
θ
+
1
)
似然函数: L(θ) = \prod_{i=1}^n θC^θx_i^{-(θ+1)} = θ^nC^{nθ} \prod_{i=1}^n x_i^{-(θ+1)}
似然函数:L(θ)=i=1∏nθCθxi−(θ+1)=θnCnθi=1∏nxi−(θ+1)
取
对
数
:
ln
L
(
θ
)
=
n
ln
θ
+
n
θ
ln
C
−
(
θ
+
1
)
∑
i
=
1
n
ln
x
i
取对数: \ln L(θ) = n\lnθ + nθ\ln C - (θ+1)\sum_{i=1}^n \ln x_i
取对数:lnL(θ)=nlnθ+nθlnC−(θ+1)i=1∑nlnxi
令
导
数
为
0
:
d
ln
(
θ
)
d
θ
=
n
θ
+
n
ln
C
−
∑
i
=
1
n
ln
x
i
=
0
令导数为0:\frac {d\ln (θ)}{dθ} = \frac nθ + n\ln C - \sum_{i=1}^n \ln x_i = 0
令导数为0:dθdln(θ)=θn+nlnC−i=1∑nlnxi=0
解
得
:
θ
^
=
n
∑
i
=
1
n
ln
x
i
−
n
ln
C
解得: \hat θ = \frac{n}{\sum_{i=1}^n \ln x_i - n\ln C}
解得:θ^=∑i=1nlnxi−nlnCn
二、8. 4
设总体X的密度函数为
f
(
x
)
=
{
λ
α
x
α
−
1
e
−
λ
x
α
,
x > 0
0
,
x
⩽
0
f(x) = \begin{cases} \lambda αx^{α-1}e^{-\lambda x^α}, & \text{x > 0} \\ 0, & \text x \leqslant 0 \end{cases}
f(x)={λαxα−1e−λxα,0,x > 0x⩽0
其中
α
>
0
α>0
α>0是已知常数,
λ
>
0
\lambda > 0
λ>0是未知参数,
X
1
,
X
2
,
.
.
.
,
X
n
X_1,X_2,...,X_n
X1,X2,...,Xn为简单随机样本,求
λ
\lambda
λ的极大似然估计量.
解:
似
然
函
数
:
L
(
λ
)
=
∏
i
=
1
n
λ
α
x
i
α
−
1
e
−
λ
x
i
α
=
λ
n
α
n
∏
i
=
1
n
x
i
α
−
1
e
−
λ
∑
i
=
1
n
x
i
α
似然函数:L(λ) = \prod_{i=1}^n λαx_i^{α-1}e^{-\lambda x_i^α} = λ^n\alpha^n \prod_{i=1}^n x_i^{α-1}e^{-\lambda \sum _{i=1}^n x_i^α}
似然函数:L(λ)=i=1∏nλαxiα−1e−λxiα=λnαni=1∏nxiα−1e−λ∑i=1nxiα
取
对
数
:
ln
L
(
λ
)
=
n
ln
λ
+
n
ln
α
+
ln
∏
i
=
1
n
x
i
α
−
1
−
λ
∑
i
=
1
n
x
i
α
取对数: \ln L(λ) = n\lnλ + n\ln α +\ln \prod _{i=1}^n x_i^{α-1} - λ\sum_{i=1}^n x_i^\alpha
取对数:lnL(λ)=nlnλ+nlnα+lni=1∏nxiα−1−λi=1∑nxiα
令
导
数
为
0
:
d
ln
(
λ
)
d
λ
=
n
λ
−
∑
i
=
1
n
x
i
α
=
0
令导数为0:\frac {d\ln (λ)}{dλ} = \frac nλ -\sum_{i=1}^n x_i^\alpha = 0
令导数为0:dλdln(λ)=λn−i=1∑nxiα=0
解
得
:
λ
^
=
n
∑
i
=
1
n
x
i
α
解得: \hat λ = \frac{n}{\sum_{i=1}^n x_i^\alpha}
解得:λ^=∑i=1nxiαn
三、8. 6
设某种清漆的9个样品,其干燥时间(单位:h)分别为
6.0
,
5.7
,
5.8
,
6.5
,
7.0
,
6.3
,
5.6
,
6.1
,
5.0
6.0,5.7,5.8,6.5,7.0,6.3,5.6,6.1,5.0
6.0,5.7,5.8,6.5,7.0,6.3,5.6,6.1,5.0.
设干燥时间总体
T
T
T~
N
(
μ
,
σ
)
N(μ,\sigma)
N(μ,σ),就下面两种情况求
μ
μ
μ的置信度为0. 95的双侧置信区间.
(1)
σ
\sigma
σ = 0.6(h);
(2)
σ
σ
σ 未知.
区间估计:
也是固定套路,分别求出所需要的各种参数,然后代入公式
估计正态总体的数学期望 μ \mu μ | 公式 |
---|---|
方差 σ 2 \sigma^2 σ2已知 | ( X ˉ − z α 2 σ / n , X ˉ + z α 2 σ / n ) \left(\bar X - z_\frac \alpha2 {\sigma}/{\sqrt n},\bar X+z_\frac \alpha2 {\sigma}/{\sqrt n}\right) (Xˉ−z2ασ/n,Xˉ+z2ασ/n) |
方差 σ 2 \sigma^2 σ2未知 | ( X ˉ − t α 2 ( n − 1 ) S / n , X ˉ + t α 2 ( n − 1 ) S / n ) \left(\bar X-t_\frac \alpha2(n-1) S/{\sqrt n},\bar X+t_\frac \alpha2(n-1) S/{\sqrt n}\right) (Xˉ−t2α(n−1)S/n,Xˉ+t2α(n−1)S/n) |
估计正态总体的方差 σ 2 \sigma^2 σ2 | 公式 |
---|---|
数学期望 μ \mu μ 已知 | ( ∑ i = 1 n ( X i − μ ) 2 / χ α 2 2 ( n ) , ∑ i = 1 n ( X i − μ ) 2 / χ 1 − α 2 2 ( n ) ) \left(\sqrt {{\sum_{i=1}^n(X_i-\mu)^2} / {\chi_{\frac \alpha2}^2(n)}},\sqrt {{\sum_{i=1}^n(X_i-\mu)^2} / {\chi_{1 -\frac \alpha2}^2(n)}}\right) (∑i=1n(Xi−μ)2/χ2α2(n),∑i=1n(Xi−μ)2/χ1−2α2(n)) |
数学期望 μ \mu μ 未知 | ( ( n − 1 ) / χ α 2 2 ( n − 1 ) S , ( n − 1 ) / χ 1 − α 2 2 ( n − 1 ) S ) \left(\sqrt {(n-1)/ {\chi_{\frac \alpha2}^2(n-1)}} S ,\sqrt {(n-1)/ {\chi_{1-\frac \alpha2}^2(n-1)}} S \right) ((n−1)/χ2α2(n−1)S,(n−1)/χ1−2α2(n−1)S) |
估计两个正态总体的期望差 μ 1 − μ 2 \mu_1 -\mu_2 μ1−μ2 | 公式 |
---|---|
σ 1 2 , σ 2 2 \sigma^2_1,\sigma^2_2 σ12,σ22均已知 | ( X ˉ − Y ˉ − z α 2 σ 1 2 n 1 + σ 2 2 n 2 , X ˉ − Y ˉ + z α 2 σ 1 2 n 1 + σ 2 2 n 2 ) \left(\bar X- \bar Y - z_\frac \alpha2 \sqrt {\frac{\sigma_1^2}{n_1} + \frac{\sigma_2^2}{n_2}} ,\bar X- \bar Y +z_\frac \alpha2 \sqrt {\frac{\sigma_1^2}{n_1} + \frac{\sigma_2^2}{n_2}}\right) (Xˉ−Yˉ−z2αn1σ12+n2σ22,Xˉ−Yˉ+z2αn1σ12+n2σ22) |
σ 1 2 , σ 2 2 \sigma^2_1,\sigma^2_2 σ12,σ22均未知 ,但 σ 1 2 = σ 2 2 = σ 2 \sigma^2_1=\sigma^2_2=\sigma^2 σ12=σ22=σ2 | ( X ˉ − Y ˉ − t α 2 ( n 1 + n 2 − 2 ) S w 1 n 1 + 1 n 2 , X ˉ − Y ˉ + t α 2 ( n 1 + n 2 − 2 ) S w 1 n 1 + 1 n 2 ) \left(\bar X- \bar Y - t_\frac \alpha2 (n_1+n_2-2) S_w\sqrt {\frac1{n_1} + \frac1{n_2}} ,\bar X- \bar Y + t_\frac \alpha2 (n_1+n_2-2) S_w\sqrt {\frac1{n_1} + \frac1{n_2}}\right) (Xˉ−Yˉ−t2α(n1+n2−2)Swn11+n21,Xˉ−Yˉ+t2α(n1+n2−2)Swn11+n21) |
σ 1 2 , σ 2 2 \sigma^2_1,\sigma^2_2 σ12,σ22均未知 ,但 n 1 , n 2 n_1,n_2 n1,n2很大 | ( X ˉ − Y ˉ − z α 2 S 1 2 n 1 + S 2 2 n 2 , X ˉ − Y ˉ + z α 2 S 1 2 n 1 + S 2 2 n 2 ) \left(\bar X- \bar Y - z_\frac \alpha2 \sqrt {\frac{S_1^2}{n_1} + \frac{S_2^2}{n_2}} ,\bar X- \bar Y +z_\frac \alpha2 \sqrt {\frac{S_1^2}{n_1} + \frac{S_2^2}{n_2}}\right) (Xˉ−Yˉ−z2αn1S12+n2S22,Xˉ−Yˉ+z2αn1S12+n2S22) |
注: S w 2 = ( n 1 − 1 ) S 1 2 + ( n 2 − 1 ) S 2 2 n 1 + n 2 − 2 S_w^2 = \frac {(n_1-1)S_1^2 +(n_2-1)S_2^2 }{n_1+n_2-2} Sw2=n1+n2−2(n1−1)S12+(n2−1)S22
估计两个正态总体的方差比 σ 1 2 / σ 2 2 \sigma_1^2 / \sigma_2^2 σ12/σ22 | 公式 |
---|---|
数学期望 μ 1 , μ 2 \mu_1,\mu_2 μ1,μ2 均未知 | ( S 1 2 / S 2 2 F α / 2 ( n 1 − 1 , n 2 − 1 ) , S 1 2 S 2 2 F α 2 ( n 1 − 1 , n 2 − 1 ) ) \left (\frac {S_1^2/S_2^2}{F_{\alpha/2}(n_1-1,n_2-1)},\frac {S_1^2} {S_2^2}F_\frac\alpha2 (n_1-1,n_2-1)\right) (Fα/2(n1−1,n2−1)S12/S22,S22S12F2α(n1−1,n2−1)) |
数学期望 μ 1 , μ 2 \mu_1,\mu_2 μ1,μ2 均已知 |
解:(1).
∵
1
−
α
=
0.95
∴
α
2
=
0.025
n
=
9
,
σ
=
0.6
δ
=
σ
n
z
0.025
=
0.6
9
×
1.96
=
0.392
X
ˉ
=
1
9
×
(
6.0
+
5.7
+
5.8
+
6.5
+
7.0
+
6.3
+
5.6
+
6.1
+
5.0
)
=
6.0
μ
的
置
信
度
为
0.95
的
双
侧
置
信
区
间
为
:
(
X
ˉ
−
δ
,
X
ˉ
+
δ
)
=
(
5.608
,
6.392
)
\because 1-\alpha = 0.95 \qquad \therefore \frac \alpha2 = 0.025 \qquad n=9,\sigma=0.6\\ \delta =\frac{\sigma}{\sqrt n}z_{0.025} =\frac{0.6}{\sqrt 9}\times1.96=0.392\\ \bar X = \frac 19\times(6.0+5.7+5.8+6.5+7.0+6.3+5.6+6.1+5.0)=6.0\\ μ的置信度为 0. 95 的双侧置信区间为:(\bar X-\delta,\bar X+\delta)=(5.608,6.392)
∵1−α=0.95∴2α=0.025n=9,σ=0.6δ=nσz0.025=90.6×1.96=0.392Xˉ=91×(6.0+5.7+5.8+6.5+7.0+6.3+5.6+6.1+5.0)=6.0μ的置信度为0.95的双侧置信区间为:(Xˉ−δ,Xˉ+δ)=(5.608,6.392)
(2).
∵
σ
未
知
∴
σ
的
1
−
α
置
信
区
间
为
:
(
X
ˉ
−
t
α
2
(
n
−
1
)
S
n
,
X
ˉ
+
t
α
2
(
n
−
1
)
S
n
)
对
抽
样
的
样
本
值
有
(
x
ˉ
−
t
α
2
(
n
−
1
)
s
n
,
x
ˉ
+
t
α
2
(
n
−
1
)
s
n
)
s
=
s
2
=
∑
i
=
1
n
(
x
i
−
x
ˉ
)
2
n
−
1
=
0.5745
查
表
t
0.025
=
2.306
∴
代
入
得
:
μ
的
置
信
度
为
0.95
的
双
侧
置
信
区
间
(
5.558
,
6.418
)
\because\sigma未知 \qquad \therefore \sigma的1-\alpha置信区间为:\left(\bar X-t_\frac \alpha2(n-1) \frac S{\sqrt n},\bar X+t_\frac \alpha2(n-1) \frac S{\sqrt n}\right) \\ 对抽样的样本值有\left(\bar x-t_\frac \alpha2(n-1) \frac s{\sqrt n},\bar x+t_\frac \alpha2(n-1) \frac s{\sqrt n}\right)\\ s=\sqrt {s^2} = \sqrt {\frac {\sum_{i=1}^n(x_i-\bar x)^2}{n-1}} = 0.5745\\ 查表\qquad t_{0.025}=2.306\\ \therefore代入得:μ的置信度为 0. 95 的双侧置信区间(5.558,6.418)
∵σ未知∴σ的1−α置信区间为:(Xˉ−t2α(n−1)nS,Xˉ+t2α(n−1)nS)对抽样的样本值有(xˉ−t2α(n−1)ns,xˉ+t2α(n−1)ns)s=s2=n−1∑i=1n(xi−xˉ)2=0.5745查表t0.025=2.306∴代入得:μ的置信度为0.95的双侧置信区间(5.558,6.418)
四、8. 7
就8.6题中的两种情况求 μ μ μ 的置信度为 0. 95 的单侧置信上限。
单侧置信区间:
欲
求
置
信
度
为
1
−
α
的
单
侧
置
信
区
间
(
θ
‾
,
+
∞
)
或
(
−
∞
,
θ
‾
)
可
以
先
求
置
信
度
为
1
−
2
α
的
双
侧
置
信
区
间
(
θ
‾
,
θ
‾
)
由
(
θ
‾
,
θ
‾
)
自
然
就
得
出
两
个
单
侧
置
信
区
间
(
−
∞
,
θ
‾
)
和
(
θ
‾
,
+
∞
)
根
据
需
要
取
其
一
,
就
是
置
信
度
为
1
−
α
的
单
侧
置
信
区
间
.
欲求置信度为 1 - α 的单侧置信区间(\underline{\theta}, +∞)或(-∞,\overline{\theta})\\可以先求置信度为1-2α的双侧置信区间(\underline{\theta},\overline{\theta})\\由(\underline{\theta},\overline{\theta})自然就得出两个单侧置信区间(-∞,\overline{\theta})和(\underline{\theta}, +∞)\\根据需要取其一,就是置信度为1-α的单侧置信区间.
欲求置信度为1−α的单侧置信区间(θ,+∞)或(−∞,θ)可以先求置信度为1−2α的双侧置信区间(θ,θ)由(θ,θ)自然就得出两个单侧置信区间(−∞,θ)和(θ,+∞)根据需要取其一,就是置信度为1−α的单侧置信区间.
解:
1
−
α
=
0.95
α
=
0.05
1
−
2
α
=
0.90
n
=
9
σ
=
0.6
x
ˉ
=
6.0
s
=
0.5745
查
表
:
z
0.05
=
1.645
t
0.05
=
1.8595
1-\alpha = 0.95 \qquad \alpha= 0.05 \qquad 1-2\alpha = 0.90 \\ n=9\qquad\sigma=0.6 \qquad \bar x=6.0 \qquad s=0.5745\\ 查表:\qquad z_{0.05}=1.645\qquad t_{0.05}=1.8595
1−α=0.95α=0.051−2α=0.90n=9σ=0.6xˉ=6.0s=0.5745查表:z0.05=1.645t0.05=1.8595
(1)
σ
=
0.6
\sigma = 0.6
σ=0.6,
μ ‾ = x ˉ + z 0.05 σ n = 6.0 + 1.645 × 0.2 = 6.329 \overline \mu=\bar x + z_{0.05}\frac {\sigma}{\sqrt n} = 6.0+1.645\times0.2=6.329 μ=xˉ+z0.05nσ=6.0+1.645×0.2=6.329
(2) σ σ σ 未知,
μ ‾ = x ˉ + t 0.05 ( 8 ) s n = 6.0 + 1.8595 × 0.5745 9 = 6.356 \overline \mu=\bar x+t_{0.05}(8) \frac s{\sqrt n} = 6.0+1.8595\times \frac {0.5745}{\sqrt 9} = 6.356 μ=xˉ+t0.05(8)ns=6.0+1.8595×90.5745=6.356
五、8. 8
随机取某种炮弹 9 发做试验,求得炮口速度的样本标准差 S = 11 ( m / s ) S = 11(m/s) S=11(m/s),设炮口速度服从正态分布 N ( μ , σ ) N(μ,\sigma) N(μ,σ),求炮口速度的均方差 σ σ σ的置信度为 0.95 的双侧置信区间。
解: 1 − α = 0.95 α = 0.05 α / 2 = 0.025 n − 1 = 8 s 2 = 121 查 表 : χ 0.025 2 ( 8 ) = 17.535 χ 0.975 2 ( 8 ) = 2.180 ∴ ( n − 1 ) s 2 χ α / 2 2 ( n − 1 ) = 968 17.535 = 55.203 ( n − 1 ) s 2 χ 1 − α 2 2 ( n − 1 ) = 968 2.180 = 444.036 ∴ 均 方 差 σ 的 置 信 区 间 : ( σ ‾ , σ ‾ ) = ( 55.203 , 444.036 ) = ( 7.4 , 21.1 ) 1-\alpha = 0.95 \qquad \alpha= 0.05 \qquad \alpha/2 = 0.025 \qquad n-1=8 \qquad s^2=121\\ 查表:\qquad \chi_{0.025}^2(8)=17.535\qquad \chi_{0.975}^2(8)=2.180\\ \therefore\frac{(n-1)s^2}{\chi_{\alpha/2}^2(n-1)}=\frac{968}{17.535}=55.203\qquad\frac{(n-1)s^2}{\chi_{1-\frac \alpha2}^2(n-1)}=\frac{968}{2.180}=444.036\\ \therefore均方差\sigma的置信区间:\qquad (\underline\sigma,\overline\sigma) = (\sqrt{55.203},\sqrt{444.036}) = (7.4,21.1) 1−α=0.95α=0.05α/2=0.025n−1=8s2=121查表:χ0.0252(8)=17.535χ0.9752(8)=2.180∴χα/22(n−1)(n−1)s2=17.535968=55.203χ1−2α2(n−1)(n−1)s2=2.180968=444.036∴均方差σ的置信区间:(σ,σ)=(55.203,444.036)=(7.4,21.1)
六、8. 11
研究两种燃料的燃烧率,设两者分别服从正态分布 N ( μ 1 , 0.0 5 2 ) , N ( μ 2 , 0.0 5 2 ) N(\mu_1,0.05^2),N(\mu_2,0.05^2) N(μ1,0.052),N(μ2,0.052)。取样本容量 n 1 = n 2 = 20 n_1= n_2 = 20 n1=n2=20 的两组独立样本,求得燃烧率的样本均值分别为 18,24,求两种燃料燃烧率总体均值差 ( μ 1 − μ 2 ) (\mu_1 - \mu_2) (μ1−μ2) 的 置信度为 0.99 的双侧置信区间.
解: 1 − α = 0.99 α = 0.01 α / 2 = 0.005 n 1 = n 2 = 20 n 1 + n 2 − 2 = 38 查 表 : z 0.005 = 2.58 ∴ δ = z α 2 σ 1 2 n 1 + σ 2 2 n 2 = 0.04 ∴ ( μ 1 − μ 2 ) 的 置 信 度 为 0.99 的 双 侧 置 信 区 间 : ( μ 1 − μ 2 ‾ , μ 1 − μ 2 ‾ ) = ( X ˉ − Y ˉ − δ , X ˉ − Y ˉ + δ ) = ( − 6.04 , − 5.96 ) 1-\alpha = 0.99 \qquad \alpha= 0.01 \qquad \alpha/2 = 0.005 \qquad n_1=n_2=20 \qquad n_1+n_2-2=38\\ 查表:z_{0.005}=2.58\\ \therefore\delta =z_\frac \alpha2 \sqrt {\frac{\sigma_1^2}{n_1} + \frac{\sigma_2^2}{n_2}}=0.04\\ \therefore(\mu_1 - \mu_2)的 置信度为 0.99 的双侧置信区间:\\ \qquad (\underline{\mu_1 - \mu_2},\overline{\mu_1 - \mu_2}) = (\bar X- \bar Y - \delta,\bar X- \bar Y +\delta ) = (-6.04,-5.96) 1−α=0.99α=0.01α/2=0.005n1=n2=20n1+n2−2=38查表:z0.005=2.58∴δ=z2αn1σ12+n2σ22=0.04∴(μ1−μ2)的置信度为0.99的双侧置信区间:(μ1−μ2,μ1−μ2)=(Xˉ−Yˉ−δ,Xˉ−Yˉ+δ)=(−6.04,−5.96)
七、8. 12
两化验员甲,乙各自独立地用相同的方法对某种聚合物的含氯量各做 10 次测量,分别求得测定值的样本方差为 s 1 2 = 0.5419 , s 2 2 = 0.6065 s_1^2 = 0. 5419,s_2^2 = 0. 6065 s12=0.5419,s22=0.6065,设测定值总体,分别服从正态分布 N ( μ 1 , σ 2 ) , N ( μ 2 , σ 2 ) N(\mu_1,\sigma^2),N(\mu_2,\sigma^2) N(μ1,σ2),N(μ2,σ2),试求方差比 ( σ 1 2 / σ 2 2 ) (\sigma_1^2/\sigma_2^2) (σ12/σ22) 的置信度为 0. 95 的双侧置信区间.
解: 1 − α = 0.95 α / 2 = 0.025 n 1 − 1 = n 2 − 1 = 9 查 表 : F 0.025 ( 9 , 9 ) = 4.03 F 0.975 ( 9 , 9 ) = 0.248 s 1 2 = 0.5419 s 2 2 = 0.6065 ∴ ( S 1 2 / S 2 2 F α / 2 ( n 1 − 1 , n 2 − 1 ) , S 1 2 S 2 2 F α 2 ( n 1 − 1 , n 2 − 1 ) ) = ( 0.5419 / 0.6065 4.03 , 0.5419 0.6065 × 4.03 ) = ( 0.222 , 3.601 ) 1-\alpha = 0.95 \qquad \alpha/2 = 0.025 \qquad n_1-1=n_2-1=9 \\ 查表:F_{0.025}(9,9)=4.03\qquad F_{0.975}(9,9)=0.248\\ s_1^2=0.5419\qquad s_2^2=0.6065\\ \therefore\qquad\left (\frac {S_1^2/S_2^2}{F_{\alpha/2}(n_1-1,n_2-1)},\frac {S_1^2} {S_2^2}F_\frac\alpha2 (n_1-1,n_2-1)\right) = (\frac{{0.5419}/{0.6065}}{4.03},\frac{0.5419}{0.6065}\times4.03)=(0.222,3.601) 1−α=0.95α/2=0.025n1−1=n2−1=9查表:F0.025(9,9)=4.03F0.975(9,9)=0.248s12=0.5419s22=0.6065∴(Fα/2(n1−1,n2−1)S12/S22,S22S12F2α(n1−1,n2−1))=(4.030.5419/0.6065,0.60650.5419×4.03)=(0.222,3.601)
▌总结
附:
\qquad
第九章传送门